12-2022

Big Data
Weiterverarbeiten
der Daten von hoher Qualität
Datengetriebene Verarbeitungsprozesse
setzen Daten in geordneter
Quantität und hoher Qualität
voraus. Man spricht vom Reifegrad
der Daten. Je höher der ist,
umso größer ist auch der potenzielle
Mehrwert.
Eine Erhöhung des Daten-Reifegrads
erfolgt typischerweise in
den folgenden Stufen:
• Datenauswahl
• Datenbereinigung und -verbesserung
• Daten-Labeling
• Datenaufbereitung für die Entwicklung
der geplanten Anwendung
Man spricht von einer Datenstrategie.
Eine gute Datenstrategie bildet
die Basis für das Erreichen eines
hohen Reifegrades und damit auch
für den Erfolg von Projekten.
Bei der Datenauswahl sortiert
man alle Daten heraus, die auf
den ersten Blick Nutzen versprechen.
Datenbereinigung und -verbesserung
sind der zweite Schritt
durch eine eingehendere Einzelprüfung
und eine eventuelle Optimierung
der Daten. Daten-Labeling
braucht man z.B. für maschinelles
Lernen. Hier müssen Systeme
u.a. verstehen, was auf einem Foto
gezeigt, in einer Sprachaufnahme
gesagt oder in einem Text geschrieben
wird. Die Datenaufbereitung
für die Entwicklung der geplanten
Anwendung schließlich könnte ein
Umformatieren der Daten notwendig
machen zwecks optimaler Nutzung
der Daten.
In der Praxis steigern Unternehmen
die Datenreife kostengünstig
z.B. durch folgende Schritte:
• systematisches Erfassen der
Daten (Vorgaben, Filter, Auswahlkriterien)
• Nutzung von vortrainierten Modellen
und/oder gelabelten Datensätzen
• Aufbau eigener Ressourcen
Man erkennt reife Daten u.a. daran,
dass man damit KI-Modelle ohne
weitere manuelle Tätigkeiten trainieren
kann.
Anwenden
der verarbeiteten Daten
Über den Erfolg von KI-Projekten
entscheiden immer mehr die Daten
statt der Algorithmen. Haben die
Daten einen hohen Reifegrad, so
sind zahlreiche KI-Methoden nutzbar,
die von der einfachen Datenstrukturanalysen
über die Erstellung
von Prognosen bis hin zur vollständigen
Automatisierung komplexer
Prozesse reichen. Inzwischen steht
in der KI die datengetriebene Verarbeitung
im Vordergrund.
Das Schlagwort für die datengetriebenen
Verarbeitung könnte lauten:
„Aus Daten lernen“. Neuronale
Netze bilden da eine gute Basis. Die
Lern-Spielarten sind:
• Deep Learning
Learning auf Basis künstlicher
neuronaler Netze und mit großen
Datenmengen
• Unsupervised Learning
Learning mit relativ unreifen Daten
„Benötigt man anfangs noch einen erfahrenen Data-Science-Generalisten,
um die Vielfältigkeit der Anforderung abzudecken, werden mit
zunehmenden Reifegrad Spezialisten (Data- und/oder Machine Learning
Engineers) notwendig, um Lösungen erfolgreich zu erarbeiten.“
Peter Küssner, Ginkgo Analytic
• Supervised Learning
Learning mit gelabelten Daten
• Reinforcement Learning
Learning mit einem realistischen
Bewertungssystem und einer angereicherten
Datenbasis
Damit lassen sich algorithmische
Herausforderungen und Limitierungen
am besten bewältigen. Als
Schlüssel zum Erfolg lassen sich
folgende Schritte festmachen:
• Datenquellen und Integrationspunkte
hierarchisch nutzen
Für den Bereich Data Science/Data Analytics wurden im Jahr
2020 bereits mehr als doppelt so viele Stellenausschreibungen in
den Geschäftsbereichen veröffentlich als in den IT-Abteilungen.
Quelle: Gartner
• möglichst alle betroffenen Mitarbeiter
mit einbeziehen
• Messen/Beurteilen der Teilergebnisse
• nach Möglichkeit gemeinsam mit
anderen Unternehmen agieren
• Teilung von Daten z.B. mit Zulieferern
oder Kunden
• Datenschutzbedenken prüfen und
eliminieren
Die Datenanalyse zur Prozessoptimierung
und -automatisierung kennt
man mittlerweile schon gut, besonders
im Bereich Industrie 4.0. Hier
scheinen datengetriebene und KIgestützte
Anwendungen zur vorausschauenden
Wartung und Instandhaltung
(Predictive Maintenance) die
Nase vorn zu haben. Dabei werden
beispielsweise Produktionsanlagen
per Sensortechnologie überwacht,
die auf Basis von KI-Algorithmen die
Verschleißzustände der Maschinen
analysieren kann. Wartungs- und
Reparaturprozesse werden so im
Voraus planbar. Anlagenstillstandzeiten
und Wartungs- und Servicekosten
nehmen ab.
„Die Unternehmen, die Daten am besten verwenden, werden am
Ende die Gewinner sein. Denn je mehr Daten Unternehmen effektiv
auswerten, desto mehr lernen sie über ihr eigenes Geschäft.“
Dr. Jürgen Ehneß
„Fertigungsdaten ändern sich ständig. Es ist deshalb geschäftskritisch,
diese Informationen in Echtzeit – über Silos hinweg – abrufbar
zu halten. Das Ziel ist, alle Produktionsdaten durchgängig transparent
zur Verfügung zu stellen – auch auf mobilen Endgeräten, wie
im Lager, Außendienst oder bei Produktionsverantwortlichen, die
remote Abläufe kontrollieren.“
Henrik Jorgensen, Tableau Germany GmbH
Auf diese Weise revolutioniert
beispielsweise das Förderprojekt
Pay-per-Stress das Leasing-Modell
für Maschinen: Nutzer der Maschinen
zahlen dank der KI-gestützten
Auswertung der Maschinendaten
nur den tatsächlichen Verschleiß.
Beispiel
SDW-Projekt EVAREST
Dabei werden Daten über die
gesamte Wertschöpfungskette
gesammelt – vom Rohstoffanbau
über Zulieferung und Produktion
bis hin zum Verkauf im Einzelhandel.
All diese Daten laufen auf einer
zentralen Plattform zusammen und
werden durch weitere Informationen
„Viele schwungvoll und mit hohen Erwartungen verbundene Data-
Science- oder KI-Projekte scheitern, weil sie nie in die Umsetzung
kommen bzw. nicht in den produktiven Betrieb des gesamten Unternehmens
implementiert werden. Es gilt die Voraussetzungen hierfür
bereits zu Beginn des PoC mit in die Planung aufzunehmen und
als Erfolgsfaktor zu definieren.“
Peter Küssner, Ginkgo Analytics
ergänzt, wie Wetterdaten oder Angaben
zu den verwendeten Düngemitteln.
Die entsprechende Datenfülle
erlaubt enorm tiefe Einblicke
in die verschiedensten Stationen
der Wertschöpfungskette. Die Analyseergebnisse
sollen im Rahmen
von EVAREST über einen digitalen
Marktplatz angeboten werden und
dazu beitragen, dass sowohl das
Produkt selbst als auch die Herstellungsprozesse
umfänglich optimiert
werden können – so schließt sich der
Kreis, der sich von der Prozessoptimierung
über das Data-Sharing bis
hin zur Datenveredlung erstreckt.
Fazit
Für Unternehmen ist es wichtig,
sich jetzt mit den Potenzialen ihrer
Daten auseinanderzusetzen. Denn
sie lediglich zu sammeln, wird in
Zukunft nicht ausreichen, um mit
der zunehmend digitalisierten Konkurrenz
Schritt halten zu können.
FS
14 PC & Industrie 12/2022